Com base na identificação e na contagem das células, como visto anteriormente, é possível realizar a produção de elementos do hemograma. Um hemograma é basicamente uma contagem das células e comparação desses resultados com índices pré-calculados de valores ideais para cada tipo de paciente.
Os valores iniciais do hemograma podem ser calculados realizando, após a identificação das células, a contagem de cada tipo. As unidades de medida são importantes nesse processo, pois são diferentes para cada tipo de célula. A unidade base para o cálculo é o milímetro cúbico (mm3), ou seja, uma unidade de volume. Para o cálculo dos leucócitos, que são as células brancas, e também das plaquetas é realizada a contagem em proporção a um milímetro cúbico. Porém, no caso dos eritrócitos, que são as células vermelhas, elas estão em uma quantidade maior em relação às outras células, portanto é realizado o cálculo de milhões de células em um milímetro cúbico.
O eritrograma pode ser elaborado, considerando o número de eritrócitos em uma relação de milhões/mm3. O leucograma pode ser elaborado, utilizando o número de leucócitos encontrados em unidade/mm3. E por fim o plaquetograma pode ser elaborado, com base no número de plaquetas identificadas em unidades/mm3.
Essas informações são necessárias para detectar várias doenças e desequilíbrios do organismo do paciente. Como por exemplo, o leucograma sendo o principal exame para avaliar a imunidade de uma pessoa, através da quantidade de leucócitos presentes no organismo. O número das plaquetas também muito diz sobre o organismo, avaliando a coagulação sanguínea do indivíduo e pré-disposições à hemorragias.
Assim como, o número de hemácias baixo, poderia indicar uma anemia ou doença associada, entre muitos outros casos.
Podemos concluir que através desses dados, é possível elaborar importantes elementos do hemo- grama que sendo aplicados em uma amostra com valores de volume, será útil e interessante para o uso.
Em situações em que os valores encontrados apresentem resultados alterados, é necessário realizar uma investigação aprofundada com exames específicos a cada situação.
As limitações para a elaboração de um hemograma total estão relacionadas com as limitações do dataset. Primeiramente, para a realização de um hemograma completo, seria necessário ter além da contagem, também a classificação das células brancas. Sua classificação em Monócitos, Leucócitos, Neutrófilos, Eosinófilos, Basófilos, Linfócitos, entre outros é necessária para a completude do exame.
Porém, essas classificações não são apresentadas pelodataset, que procura focar apenas nas diferenciações entre os três principais tipos.
Outros valores relacionados à cálculos com volume, como o VCM (Volume Corpuscular Médio) e também o HCM (Hemoglobina Corpuscular Média), entre os outros citados no Capítulo 2não são possíveis de serem calculados por falta de informação. Na utilização de outrodataset em trabalhos futuros, essas informações podem ser calculadas a partir da coleta de dados, como será abordado no próximo capítulo.
44
6 CONCLUSÕES
Este projeto iniciou com o interesse de utilizar as técnicas de Deep Learning para auxiliar os profissionais da saúde em seus trabalhos, pois com a automatização que essa técnica oferece, outras tarefas podem receber maior atenção. Dentre os diferentes tipo de exames realizados diariamente, o hemograma é o essencial, de forma a ser um ponto de partida para a identificação da maioria das doenças.
Portanto, os estudos subsequentes foram direcionados a estudar quais seriam as melhores abordagens para a automatização dessa tarefa.
Foi possível entender todo o processo de produção de hemograma e também encontrar as formas de associar os conceitos deDeep Learningnesse processo. Através do treinamento de um modelo computacional inteligente capaz de reconhecer as diferentes células do sangue, desenvolveu-se a contagem de todas os tipos de célula com grande precisão.
Essa abordagem desenvolvida é de grande utilidade, pois permite tirar conclusões sobre o estado atual da saúde do paciente. A contagem das células brancas, vermelhas e também das plaquetas, permitem avaliar se existe algum desequilíbrio em seus níveis, caso apresente algum fator anormal, outros exames mais aprofundados podem ser realizados para verificar estas questões. Entretanto, não se caracteriza como um hemograma completo, pois devido a limitações do dataset utilizado, o trabalho também apresentou limitações, principalmente relacionado a classificação das células brancas, onde a contagem foi geral.
Para estudos futuros, é possível utilizar os conceitos aqui abordados para aplicar estes conheci- mentos em um conjunto de dados diferente e mais complexo, ou também voltado para outro fim. Outra possibilidade é utilizar métricas de avaliação mais voltadas a essa prática, considerando a área das predições e intersecções com os valores reais. A partir deste resultado, é possível continuar a abordagem adotada por este trabalho para estimar a contagem em relação ao volume e, posteriormente, reproduzir todas as informações presentes em um hemograma.
45
REFERÊNCIAS
AKANBI, L. A. et al. Deep learning model for demolition waste prediction in a circular economy. Journal of Cleaner Production, v. 274, p. 122843, 2020. ISSN 0959-6526. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S0959652620328882>. Citado na página14.
CRUZ, A. blood-detection. 2021. <https://github.com/AnthonyLeier/blood-detection>. Citado na página 16.
CUDA. 2021. <https://developer.nvidia.com/cuda-zone>. Acessado em: 2021-10-31. Citado na página 34.
CUDNN. 2021.<https://developer.nvidia.com/cudnn>. Acessado em: 2021-10-31. Citado na página34.
ETHEM, A.Machine Learning : The New AI.The MIT Press, 2016. (MIT Press Essential Knowledge Series). ISBN 9780262529518. Disponível em:<http://search.ebscohost.com/login.aspx?direct=true&db=
nlebk&AN=1369420&lang=pt-br&site=ehost-live>. Citado na página22.
FACELI, K. et al.Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina. Rio de Janeiro:
Livros Técnicos e Científicos Editora Ltda, 2021. Citado na página 22.
GIANCARLO, Z.; REZAUL, K. M.Deep Learning with TensorFlow : Explore Neural Networks and Build Intelligent Systems with Python, 2nd Edition.Packt Publishing, 2018. v. 2nd ed. ISBN 9781788831109.
Disponível em:<http://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1789473&lang=
pt-br&site=ehost-live>. Citado 4 vezes nas páginas24,25,26e27.
GREENGARD, S. Gaming machine learning. Commun. ACM, Association for Computing Machinery, New York, NY, USA, v. 60, n. 12, p. 14–16, nov. 2017. ISSN 0001-0782. Disponível em:
<https://doi.org/10.1145/3148817>. Citado na página14.
HA, J.-W.; PYO, H.; KIM, J. Large-scale item categorization in e-commerce using multiple recurrent neural networks. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA: Association for Computing Machinery, 2016. (KDD
’16), p. 107–115. ISBN 9781450342322. Disponível em:<https://doi.org/10.1145/2939672.2939678>.
Citado na página14.
HE, K. et al. Deep residual learning for image recognition.CoRR, abs/1512.03385, 2015. Disponível em:
<http://arxiv.org/abs/1512.03385>. Citado na página35.
KERAS. 2021. <https://keras.io/>. Acessado em: 2021-06-04. Citado na página27.
KRITTANAWONG, C. et al. Deep learning for cardiovascular medicine: a practical primer.
European Heart Journal, v. 40, n. 25, p. 2058–2073, 02 2019. ISSN 0195-668X. Disponível em:
<https://doi.org/10.1093/eurheartj/ehz056>. Citado na página14.
LIMA CARLOS A. M. PINHEIRO, F. A. O. S. I.Inteligência Artificial. Rio de Janeiro: Elsevier Editora Ltda, 2014. Citado na página22.
LOKWANI, D.The ABC of CBC: Interpretation of complete blood count and histograms. [S.l.]: Jaypee, 2013. Citado 4 vezes nas páginas17,18,19e20.
LONGO, D. L. Atlas de Hematologia e Análise de Esfregaços do Sangue Periférico. [S.l.: s.n.], 2013.
Citado na página17.
NAOUM, F. A. N. P. C. Interpretação laboratorial do hemograma. 2007. Citado 3 vezes nas páginas17, 20e21.
NICK, M. TensorFlow Machine Learning Cookbook : Over 60 Recipes to Build Intelligent Machine Learning Systems with the Power of Python, 2nd Edition.Packt Publishing, 2018. Second edition. ISBN 9781789131680. Disponível em:<http://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=
1883903&lang=pt-br&site=ehost-live>. Citado 2 vezes nas páginas22e23.